📊 statistics

Group Sequential Methods for the Win Ratio

Diese Arbeit stellt fest, dass die für klassische gruppensequentielle Methoden erforderliche Annahme unabhängiger Zuwächse für das Gewinnverhältnis (Win Ratio) gilt, indem sie dessen asymptotische Kovarianzstruktur herleitet und damit zeigt, dass traditionelle $\alpha$ -Spending-Funktionen gültig auf randomisierte Studien unter Verwendung dieses Endpunkts angewendet werden können.

Ursprüngliche Autoren: Tracy Bergemann, Tim Hanson

Veröffentlicht 2026-02-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Tracy Bergemann, Tim Hanson

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Richter, der eine Serie von direkten Boxkämpfen zwischen zwei Teams leitet: Team A (die neue Behandlung) und Team B (die Standardversorgung). In einer traditionellen medizinischen Studie würden Sie vielleicht einfach nur zählen, wie viele Menschen in jedem Team krank wurden oder starben. In einem Win-Ratio-Versuch betrachten Sie jedoch jedes einzelne mögliche Paar zwischen einem Mitglied von Team A und einem Mitglied von Team B.

Für jedes Paar fragen Sie: „Wer war besser?“

Wenn der Patient von Team A ein besseres Ergebnis hatte (z. B. das Gliedmaß behielt, keine Operation benötigte), erhält Team A einen „Sieg“.
Wenn der Patient von Team B besser abschnitt, erhält Team A eine „Niederlage“.
Wenn sie gleich gut waren, ist es ein „Unentschieden“.

Die Win Ratio ist einfach die Gesamtzahl der Siege geteilt durch die Gesamtzahl der Niederlagen. Wenn die Ratio hoch ist, gewinnt Team A die Mehrheit dieser Duelle.

Das Problem: Das „bewegliche Ziel“

Stellen Sie sich nun vor, Sie möchten die Studie vorzeitig beenden, wenn Team A eindeutig führt, anstatt bis zum ganz am Ende zu warten. Dies wird als Group Sequential Design bezeichnet. Sie prüfen den Spielstand bei 50 % der Zeit, dann bei 75 % und so weiter.

Hier liegt der knifflige Teil: In vielen statistischen Methoden muss der „Score“, den Sie zum 50 %-Zeitpunkt berechnen, mathematisch unabhängig von dem Score sein, den Sie zum 75 %-Zeitpunkt berechnen. Denken Sie an das Werfen von Würfeln. Wenn Sie beim ersten Versuch eine 6 würfeln, sollte dies die Gewinnchancen für eine 6 beim zweiten Versuch nicht verändern.

In einem Win-Ratio-Versuch wird die Mathematik jedoch kompliziert. Wenn Sie zum 75 %-Zeitpunkt einen neuen Patienten zur Studie hinzufügen, vergleichen Sie diesen nicht nur mit den neuen Team-B-Patienten; Sie vergleichen ihn mit allen in Team B, einschließlich der Personen, die Sie bereits betrachtet haben. Dies erzeugt eine „klebrige“ Situation, in der der neue Score mathematisch mit dem alten Score verknüpft ist.

Lange Zeit befürchteten Statistiker, dass aufgrund dieser „klebrigen“ Korrelation die Standardregeln (genannt Lan-DeMets Alpha-Spending) für den Win-Ratio-Versuch nicht verwendet werden können. Sie dachten, dass die Regel der „unabhängigen Inkremente“ verletzt sei, was bedeuten würde, dass die Standardregeln zu viele Fehlalarme zulassen könnten.

Die Lösung: Der „Schnappschuss“-Trick

Die Autoren dieser Arbeit, Tracy Bergemann und Tim Hanson, stellten eine einfache Frage: Was wäre, wenn wir die Daten nur als einen festen Schnappschuss betrachten?

Sie schlugen eine spezifische Art vor, den Versuch durchzuführen:

Feste Zeit: Alle werden über einen festgelegten Zeitraum nachverfolgt (z. B. 12 Monate).
Der Schnappschuss: Wenn Sie eine Zwischenprüfung durchführen (z. B. nach 6 Monaten), zählen Sie nur Patienten, die ihre vollen 12 Monate an Daten abgeschlossen haben (oder ausgeschieden sind). Sie ignorieren jeden, der noch „in Bearbeitung“ ist.
Keine beweglichen Teile: Da Sie nur abgeschlossene Patienten zählen, sind die Daten, die Sie für die 6-Monats-Prüfung verwendet haben, exakt dieselben Daten, die Sie auch für die 12-Monats-Prüfung verwenden; Sie haben lediglich neue abgeschlossene Patienten zu Ihrem Mix hinzugefügt.

Die große Entdeckung

Die Autoren leisteten schwere mathematische Arbeit (unter Verwendung von etwas, das als U-Statistik bezeichnet wird), um zu beweisen, dass bei Verwendung dieser „Schnappschuss“-Methode die „klebrige“ Korrelation langfristig verschwindet.

Die Analogie:
Stellen Sie sich vor, Sie zählen die Bäume in einem Wald.

Der alte Weg (Korreliert): Sie messen heute einen Setzling und messen ihn morgen erneut. Die zweite Messung wird stark von der ersten beeinflusst, weil es derselbe Baum ist, der wächst.
Der Weg der Autoren (Unabhängig): Sie messen nur Bäume, die ihre volle Größe erreicht haben. Wenn Sie den Wald nach 6 Monaten prüfen, messen Sie die ausgewachsenen Bäume. Nach 12 Monaten messen Sie dieselben ausgewachsenen Bäume plus neue Bäume, die gerade erst fertig gewachsen sind. Das „Wachstum“ der neuen Bäume verändert nicht die Höhe der alten Bäume.

Sie bewiesen, dass unter diesen Bedingungen der „Score“ bei der 6-Monats-Prüfung und der „Score“ bei der 12-Monats-Prüfung wie unabhängige Würfelwürfe agieren. Das bedeutet, dass Sie die standardmäßigen, vertrauenswürdigen Regeln (Lan-DeMets) verwenden können, um zu entscheiden, wann die Studie vorzeitig beendet werden muss.

Der Beweis: Simulationen und Realdaten

Um sicherzustellen, dass ihre Mathematik nicht nur Theorie war, führten sie zwei Tests durch:

Computersimulationen: Sie erstellten 10.000 fiktive Studien, in denen die neue Behandlung tatsächlich nicht besser als die alte war. Sie prüften, ob die Standardregeln die Rate der „Fehlalarme“ niedrig hielten. Ergebnis: Ja, die Regeln funktionierten perfekt. Die Fehlerrate blieb genau dort, wo sie sein sollte.
Check mit Realdaten: Sie untersuchten eine echte vergangene Studie namens IN.PACT SFA (eine Studie über die Durchblutungsstörung der Beinarterien). Sie analysierten die Daten neu, als hätten sie den Spielstand zur Hälfte der Zeit überprüft. Ergebnis: Wenn sie diese Methode angewandt hätten, hätte die Studie vorzeitig wegen Erfolg beendet werden können, da die neue Behandlung so entscheidend gewann.

Das Fazit

Diese Arbeit besagt: „Machen Sie sich keine Sorgen um die komplexe Mathematik der Win Ratio. Wenn Sie Ihren Versuch so gestalten, dass Sie nur Patienten mit vollständigen Daten bei jeder Überprüfung zählen, geht die Mathematik auf. Sie können die standardmäßige, fertige Software und die Regeln verwenden, denen Ärzte bereits vertrauen, um Studien vorzeitig zu beenden, wenn eine Behandlung eindeutig gewinnt.“

Was sie NICHT behauptet haben:

Sie haben nicht behauptet, dass dies für jede Art von Studie funktioniert (insbesondere für solche, bei denen Patienten zum Zeitpunkt der Zwischenprüfung „partielle“ oder unvollständige Daten haben, obwohl sie eine Simulation durchführten, die darauf hindeutete, dass es dort funktionieren könnte, sagten sie jedoch, dass weitere Forschung nötig ist).
Sie haben nicht eine neue Art der Berechnung der Win Ratio erfunden; sie haben lediglich bewiesen, dass die Regeln für das vorzeitige Beenden von Studien darauf anwendbar sind.

Technisches Resümee: Gruppensequenzielle Methoden für die Win-Ratio

Problemstellung
Die Win-Ratio wird in randomisierten klinischen Studien zunehmend als primärer Endpunkt eingesetzt, da sie in der Lage ist, zusammengesetzte Endpunkte mit hierarchischer klinischer Schwere zu integrieren und disparate Datentypen (z. B. Zeit-bis-Ereignis, binär, Zählwerte) zu kombinieren. Es besteht jedoch eine signifikante methodische Lücke hinsichtlich der Implementierung gruppensequenzieller Designs (GSD) für Win-Ratio-Endpunkte. Insbesondere ist unklar, ob die Annahme unabhängiger Inkremente, eine Voraussetzung für die Anwendung klassischer Lan-DeMets- $\alpha$ -Spending-Funktionen, für inkrementelle Win-Loss-Teststatistiken erfüllt ist.

In der bisherigen Literatur wird angedeutet, dass bei exakten bipartiten Verteilungen inkrementeller Statistiken die Unabhängigkeit verletzt wird, da neu eingeschlossene Patienten zu späteren Interimsanalysen mit bereits bestehenden Patienten verglichen werden, was eine Korrelation erzeugt. Infolgedessen empfahlen vorangegangene Ansätze komplexe Modifikationen, wie etwa die Blockstratifizierung (die eine nicht realisierbare zeitliche Staffelung zwischen den Interimsanalysen erfordert) oder die empirische Bootstrap-Schätzung der Kovarianz (welche nicht im Vorfeld spezifiziert werden kann). Die zentrale Frage, die dieses Paper adressiert, ist, ob die Annahme unabhängiger Inkremente für die ** asymptotische Verteilung** von U-Statistiken, die zur Bewertung der Win-Ratio verwendet werden, erfüllt ist und somit die direkte Anwendung traditioneller GSD-Grenzen ermöglicht.

Methodik
Die Autoren entwickeln einen mathematischen Rahmen, um die Kovarianzstruktur inkrementeller U-Statistiken unter der asymptotischen Verteilung abzuleiten.

Rahmenbedingungen und Annahmen:
- Die Studie nimmt eine feste Nachbeobachtungszeit $T$ für alle Teilnehmer an, wobei der primäre Endpunkt zum Zeitpunkt $T$ evaluiert wird. Dies vermeidet die Abhängigkeit von variablen Nachbeobachtungszeiten.
- Für die primäre theoretische Ableitung nehmen die Autoren an, dass nur Patienten mit abgeschlossener Nachbeobachtung in die Interimsanalysen einbezogen werden. Dies stellt sicher, dass die Information, die ein Patient zu einer interimistischen Statistik $Z_k$ beiträgt, in nachfolgenden Statistiken $Z_l$ ( $k < l$ ) konstant bleibt.
- Die Win-Ratio ( $\psi = \tau_1/\tau_2$ ) und die Win-Differenz werden über U-Statistiken basierend auf paarweisen Vergleichen zwischen Behandlungs- ( $X$ ) und Kontrollgruppe ( $Y$ ) definiert.
Mathematische Ableitung:
- Win-Differenz: Die Autoren beweisen, dass für inkrementelle Teststatistiken der Win-Differenz ( $U_{1k} - U_{2k}$ ) die Kovarianz zwischen den Inkrementen zu den Zeiten $k$ und $l$ der Varianz des späteren Inkrements entspricht: $\text{cov}(Z_k, Z_l) = \sqrt{I_k(\theta)/I_l(\theta)}$ . Dies bestätigt, dass die Annahme unabhängiger Inkremente für die asymptotische Verteilung der Win-Differenz erfüllt ist.
- Win-Ratio: Die Ableitung wird auf die log-transformierte Win-Ratio erweitert. Die Autoren zeigen, dass $\text{cov}(\log(\hat{\psi}_k), \log(\hat{\psi}_l)) \approx \text{var}(\log(\hat{\psi}_l))$ gilt, was darauf hindeutet, dass die Annahme unabhängiger Inkremente unter asymptotischen Bedingungen näherungsweise für die Win-Ratio erfüllt ist.
Simulationsstudien:
- Szenario 1 (Vollständige Information): Simulationen wurden mit Stichprobengrößen von $N=200$ und $N=400$ durchgeführt, um die globale Typ-I-Fehlerrate unter Verwendung der Hwang-Shih-DeCani- $\alpha$ -Spending-Funktion zu evaluieren. Die Analyse umfasste nur Patienten mit vollständiger Nachbeobachtung zu jedem Interimszeitpunkt.
- Szenario 2 (Partielle Information): Die Simulationen wurden auf Patienten ausgeweitet, die partielle Informationen zur Nachbeobachtung zu den Interimsanalysen beitragen, wobei die Informationsfraktionen basierend auf Personenjahren berechnet wurden.

Wichtigste Ergebnisse

Theoretischer Beweis: Das Paper liefert einen mathematischen Beweis dafür, dass die Annahme unabhängiger Inkremente für die asymptotische Verteilung von U-Statistiken, die die Win-Differenz testen, erfüllt ist. Es zeigt ferner, dass diese Eigenschaft näherungsweise auch für die log-transformierte Win-Ratio gilt.
Kontrolle der Typ-I-Fehlerrate: In der Simulationsstudie mit $N=200$ betrug die empirische Typ-I-Fehlerrate 0,0517; für $N=400$ betrug sie 0,0487. Diese Ergebnisse zeigen, dass traditionelle $\alpha$ -Spending-Funktionen die Typ-I-Fehlerrate auch bei relativ kleinen Stichprobengrößen bewahren.
Partielle Information: Die Simulationsergebnisse für Szenario 2 (partielle Information) bestätigten ähnliche Befunde, was darauf hindeutet, dass die Methode selbst bei Nutzung unvollständiger Daten robust ist, obwohl der theoretische Beweis für diesen spezifischen Fall im Text nicht vollständig etabliert ist.
Retrospektive Anwendung: Eine Re-Analyse der IN.PACT SFA klinischen Studiendaten wurde durchgeführt. Unter einem hypothetischen gruppensequenziellen Design mit Interimsanalysen bei 50 % und 75 % Information wäre die Studie beim ersten Interimsblick (50 % Information) mit einer Win-Ratio von 4,29 ( $p < 0,001$ ) vorzeitig aufgrund von Erfolg beendet worden, im Vergleich zum Endergebnis von 3,82.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Forschung zeigt, dass die direkte Anwendung von Lan-DeMets- $\alpha$ -Spending-Funktionen in randomisierten Studien mit der Win-Ratio möglich ist, vorausgesetzt, die Stichprobengrößen sind ausreichend groß, um asymptotische Verteilungen anzunehmen, und spezifische Bedingungen bezüglich der Nachbeobachtung der Patienten erfüllt sind.

Zu den von den Autoren hervorgehobenen zentralen Implikationen gehören:

Eliminierung empirischer Grenzen: Forscher müssen keine Grenzen mehr empirisch mittels Bootstrapping zum Zeitpunkt der Interimsanalysen generieren, was im Vorfeld nicht spezifizierbar ist.
Software-Kompatibilität: Bestehende Softwarepakete, die in der Lage sind, traditionelle gruppensequenzielle Grenzen zu berechnen (z. B. das gsDesign-Paket in R), können direkt für Win-Ratio-Endpunkte verwendet werden.
Begrenzter Umfang: Die Autoren merken explizit an, dass ihre primären Ableitungen auf der Annahme beruhen, nur Patienten mit abgeschlossener Nachbeobachtung zu verwenden. Während Simulationen nahelegen, dass die Methode auch mit partiellen Informationen funktioniert, geben sie an, dass „weitere Forschung nötig ist, um dieses Ergebnis zu etablieren“, insbesondere für Situationen, in denen partielle Patienteninformationen in früheren Interimsanalysen genutzt werden, ähnlich wie beim Log-Rank-Test.

Das Paper schließt mit dem Ergebnis, dass die Annahme unabhängiger Inkremente für die Win-Differenz erfüllt ist und für die Win-Ratio unter asymptotischen Bedingungen näherungsweise gilt, was die Verwendung standardmäßiger gruppensequenzieller Methodiken für diese Endpunkte validiert.